2016年大数据市场研究报告

0 前言 (2)

1 大数据市场相关概念及研究范畴 (4)

1.1 相关概念 (4)

1.2 研究范畴 (5)

2 中国大数据整体市场 (6)

2.1 发展背景 (6)

2.2 总体规模 (8)

2.3 市场演进方向 (8)

2.4 融资情况 (10)

2.5 商业模式 (11)

3 中国大数据市场应用分析 (15)

3.1 行业应用 (15)

3.2 企业应用需求 (26)

3.3 结构化与非结构化大数据应用 (32)

3.4 大数据交易 (34)

4 大数据厂商发展分析 (38)

4.1 竞争格局分析 (38)

4.2 典型厂商分析 (41)

5 大数据产业发展趋势 (52)

5.1 大数据产业的发展方向 (52)

5.2 大数据行业投资分析 (53)

国家大数据发展相关政策密集出台

《促进大数据发展行动纲要》中指出，我国现代信息化进程中产生的和可被利用的海量数据集合，是当代信息社会的数据资源总和，是信息时代的全数据，既包括互联网数据，也包括政府数据和行业数据。经过多年发展，传统信息化对经济社会发展的支撑和引领作为无法充分发挥，迫切需要打破部门割据和行业壁垒，促进互联互通、数据开放、信息共享和业务协同，切实以数据流引领技术流、物质流、资金流、人才流，强化统筹衔接和条块结合，实现跨部门、跨区域、跨层级、跨系统的数据交换与共享，构建全流程、全覆盖、全模式、全响应的信息化管理与服务体系。此外，2016年国家发改委还密集出台了《关于组织实施促进大数据发展重大工程的通知》、《促进大数据发展三年工作方案（2016-2018）》等配套政策，以保证国务院政策的真正落实。

2015年中国大数据市场规模达到105.5亿元

2015年中国大数据市场规模达到105.5亿元，同比增长39.4%，预计未来3-4年，市场规模增长率将保持在30%以上。

金融、通信、零售为大数据市场前三大行业

2015年中国大数据市场行业投资结构中，金融、通信、零售为前三大行业，投资占比分别为16.7%、15.9%和14.0%。政府、医疗、旅游投资比例分别为13.5%、10.3%和3.8%。六大行业累计占比74.2%。

其他行业包括教育、制造、能源、媒体、互联网等，累计占比25.8%。

人工智能伴随大数据应用的普及开始发挥出潜能

在分析层面，厂商越来越关注利用人工智能（AI）来帮助分析大规模的数据，从而获得预测性的洞察。虽然深度学习背后的算法几十年前就已诞生，但直到最近才能够在足够便宜、足够快速地应用到大规模数据之后发挥它的最大潜能。可以预见，数据科学家的部分工作将会越来越自动化，从而可以极大提高生产力。

多类诉求促进大数据营销的发展

企业精准营销的核心目标是通过大数据的商品化服务，从数据技术角度解决市场营销问题，优化业务的运营效果。其需求背景可能来自多个方面的诉求，包括：消费决策周期长，考虑因素多样；资源被充分竞争，导致媒体价格不断升高；需要提高用户的转化与变现效果；线下业态受线上业态冲击明显；用户易流失，亟待唤回流失用户；更加重视搜索引擎营销效果等。

移动Web与App监测开始广泛创造价值

在App方面，2015年从中国移动互联网用户APP分类月均活跃用户规模TOP20的统计中可以看出，即时通讯、社交网络、游戏三类应用拥有最多的活跃用户。目前中国移动互联网用户主要需求还是在于社交和娱乐。除此之外，搜索、输入法、地图等工具类应用也是用户使用率较高的应用类型，而人们在移动端购物需求的逐步释放，使得电商、移动支付类应用的活跃用户也得到了较快的增长。

大数据交易产业带动了对大数据人才的需求

随着大数据交易业务的兴起，交易机构对大数据人才的需求即将爆发。大数据交易产业主要人才需求主要集中在数据采集与处理、底层技术架构、数据分析、解决方案、垂直行业等主要几个方向；数据采集与处理主要涉及到的具体岗位是爬虫工程师、自然语言处理、语音识别、图像处理等。

大数据方案将向更多垂直化领域的拓展

随着国内不同行业对大数据应用意识的不断提高，以垂直行业和垂直应用领域为代表的大数据创新方案将获得不断拓展。在行业方面，包括金融、电信、零售、汽车等领域将是拓展的重点方向，提供商会将产品打包以解决方案模式提供给垂直行业。而在垂直应用领域方面，人脸识别、声音识别、多重身份匹配等将是拓展的主要方向。同时，垂直化厂商的融资门槛将会进一步提高，除了行业的深耕经验及技术积累，线上与线下数据源整合能力的重要性将会比2015-2016年更加重要。

1 大数据市场相关概念及研究范畴

1.1 相关概念

（1）大数据：大数据是一个伴随社会信息化而诞生，以海量数据（主要特征包括数量大、种类多、处理速度要求快、以前没有或无法获取且现在正不断生成）积累为基础，囊括无数条“数据产生-数据处理-信息提取-数据消费-新数据生产”的环状链，以降低信息不对称、提高决策有效性、推进智慧和知识演进为目标，可广泛作用于几乎所有实体的跨界生态系统和发展趋势。

（2）企业大数据分类：结构化数据、半结构化数据、非结构化数据。

（3）结构化数据：能够用数据或同一的结构加以表示，如数字、符号；

（4）半结构化数据：介于结构化数据与非结构化数据之间。和普通纯文本相比，半结构化数据具有一定的结构性，但和具有严格理论模型的关系数据库的数据相比，半结构化的数据结构变化很大。

（5）非结构化数据：无法用数字或统一结构表示的信息，如文本、图像、声音、网页等。

（6）数据可用性：数据简明简要呈现的程度，以及数据易操作和易处理，保持多种数据来源中数据的一致性。

（7）数据质量：准确性（数据中没有错误的程度），范围（数据覆盖的深度和广度），合时性（及时获取数据以采取行动和决策的程度），有效性（相关数据及时更新程度）。

（8）终端设备提供商：指提供智能手机、平板电脑、超极本、电子阅读器、智能电视等数据总段的企业。

（9）网络服务提供商：为数据生态系统提供网络技术设施及相关服务。

（10）数据服务提供商：为终端用户提供和传送应用程序。数据服务范围非常广泛，包括文本、通信、医疗、应用、即时消息传递、游戏和社交网络服务等。

（11）数据使能者：即数据服务支撑企业运用自身拥有的专业知识和技巧调动服务对象自身的能力和资源，发挥服务对象的潜力，促使服务对象优化。例如固定

电话、移动通信、通信设备、广播设备、电子商务零售商、软件、计算机硬件和半导体等。

（12）综合类用户数据源：泛指网络上的综合网站以及工具类应用，例如搜索引擎、社交类等应用内的数据。

（13）垂直类行业数据源：泛指行业垂直网站或行业类应用所聚集的某一行业的大数据，例如各类B2B平台；金融、医药、电子商务、教育类等应用内的数据。

1.2 研究范畴

本报告所涉及的领域主要包括：数据生成、数据存储、数据挖掘、数据应用；同时包括医疗、金融、电子商务、零售、电信、政府公共服务等行业大数据领域。

本报告涉及的地区和内容为：我国大数据市场宏观环境、商业模式、行业应用、企业应用、典型厂商以及产业发展趋势。

2 中国大数据整体市场

2.1 发展背景

图2-1 中国大数据市场AMC模型

1、探索期

大约从2004年前后，随着数据库等技术的进步，数据挖掘概念开始普及，越来越多的企业将信息管理作为单独的业务部门。但由于当时企业数据采集能力的限制，以及企业信息化时间较短，本身管理软件中积累的历史数据有限，一些厂商推出的领先数据管理方案并不容易获得企业认可，业务尚不足以推动技术的快速进步。

2、市场启动期

2008年金融危机后，国内企业为了尽快从业务低迷的状态中恢复，获得市场竞争优势，对商业智能（BI）以及商业分析（BA）的需求出现快速提升，主要应用在决策支持、业务优化、销售机会挖掘预测等领域。但在随后的2010-2011年，领先企业拥有优势后并不甘愿放弃，而落后企业更急于寻求方案快速赶上，使得共同作用

下，企业级市场对商业智能及商业分析的需求并未减退，反而成为一种常态。

3、高速发展期

到了2012年以后，由于企业信息化及互联网应用的日益完善，对消费者及企业内外部所积累的数据日益丰富，大数据的概念迅速为各类人群所接受。而在企业领域，包括营销、风险管控、预测、客户挖掘、海量数据实时处理、可视化展现、数据仓库建设等方面的多样化需求迅速扩张，业务推动技术进入高速创新期。而进入2015年后，企业深度利用数据价值的意识迅速提高，数据资产管理成为热门概念，企业开始愿意通过数据交易进行变现，各种与大数据有关的政策及法律法规不断完善。

4、应用成熟期

预计，中国大数据市场将在2020年前后进入成熟期。一方面业务需求的变化将推动细分领域出现丰富的商业模式，并使得新产品和服务具有稳定的刚性需求，另一方面随着产业链的完善，专注于细分行业及细分应用领域厂商竞争逐渐稳固。而不善于充分利用数据的企业将被快速淘汰出局。

2.2 总体规模

图2-2 2016-2018年中国大数据市场营收规模预测

2015年中国大数据市场规模达到105.5亿元，同比增长39.4%，预计未来3-4年，市场规模增长率将保持在30%以上，主要的市场驱动因素包括：

（1）来自于线下大数据市场（IT企业的大数据应用及大数据平台业务市场）中IT巨头和单一大数据业务的厂商开始行动，优化产品和服务路线图。

（2）来自于线上大数据市场（互联网用户数据市场，以及以互联网金融为主的线上金融市场）的成熟度逐渐提高，以金融和零售为核心的线上大数据应用走向成熟，市场体量进一步扩大。

（3）企业着力培育数据资产，积极探讨数据变现，行业大数据多集聚、少融合。

（4）大数据产业集群逐渐形成，即针对企业而言，以云端大数据集聚为前提条件，以行业云服务为平台，共享企业间核心竞争力。

2.3 市场演进方向

在基本趋势方面，大数据厂商和产品的创新开始从基础设施层（服务于开发者/工程师）转移到分析层（服务于数据科学家和分析师）乃至应用层（服务于商业用

户和消费者），“大数据原生应用”已经在迅速冒头。

图2-3 2016年大数据各层技术演进方向

得益于可观的开源活动规模，基础设施领域的创新非常富有活力，例如Spark 受到了从IBM到Cloudera的各式玩家的拥护，它解决了一些导致Hadoop采用放缓的关键问题：例如更容易编程，并且跟机器学习能够很好地搭配。

而在分析层面，越来越关注利用人工智能（AI）来帮助分析大规模的数据，从而获得预测性的洞察。虽然深度学习背后的算法几十年前就已诞生，但直到最近才能够在足够便宜、足够快速地应用到大规模数据之后发挥它的最大潜能。而市场对AI的关注也符合大数据下一步演进的趋势：在有了丰富数据之后，如何从中得到洞察。因而可以预见，数据科学家的部分工作将会越来越自动化，从而可以极大提高生产力。同时，应用于营销、应用监测等方向的BI平台日趋多样，也带动了分析层的不断完善。

在应用层面，随着一些核心基础设施的挑战得到解决，大数据应用层正在快速构建。一方面，专门的大数据应用几乎在任何一个垂直行业都有出现。另一方面，在企业内部，已经出现了各种工具来帮助横跨多个核心职能的企业用户。比方说，销售和营销的大数据应用通过处理大规模的内外部数据来帮助找出哪位客户可能会购买、续约或者流失，且速度越来越实时化；客服应用帮助个性化服务；

人力应用帮助找出如何吸引和挽留最好的员工等。越来越多的大数据使用者已

经无需了解大数据底层部署技术而直接使用。

2.4 融资情况

表2-1 2016年1-7月部分大数据创业厂商融资情况

大数据从数据采集、存储、处理、分析挖掘、展现各个环节在不同行业都有相关应用，所以大数据创业公司也有着多种不同的方向。从2016年1-7月的融资情况来看，中国的大数据创业企业发展很不平衡，相较于美国已经有成熟的大数据产业链，国内大数据企业在硬技术方面比较欠缺，更多的是大数据的行业应用。

2.5 商业模式

大数据正在影响企业商业模式的转变，对数据进行分析、优化成为提升核心竞争力的有效方式。同时，围绕如何应用、挖掘以及消费数据，已经催生出新兴的商业模式；2015年各地纷纷建立大数据交易所，建立企业数据资产管理体系并“卖数据”开始成为不少企业的直接盈利手段，这充分凸显了数据的战略资产特性；对数据的洞察力进一步体现到公司的战略和行动，形成正反馈，有助于企业积累竞争优势，使得行业龙头强者恒强。

2.5.1 模式一：数据存储租用

数据存储租用涉及到大数据产业链的数据采集与整理环节。数据存储租用模式只提供数据“原材料”。Amazon的S3服务是典型的数据存储租用模式，利用存储能力进行运营，满足企业和个人面临海量信息存储的需求。具体而言，主要分为个人数据存储和企业信息存储两大类。主要是通过易于使用的API，用户方便地将各种数据对象放在云端，然后再像使用水电一般按用量收费。目前已有多个公司推出相应服务，如阿里巴巴、腾讯云、金山云、百度云等。运营商也推出了相应的服务，例如中国移动彩云业务。

2.5.2 模式二：租售信息业务

租售信息业务模式涉及到大数据产业链的数据整理与分析环节。提供加工后的数据“半成品”。

例如Twitter把它的数据都通过两个独立的公司授权给别人使用；VISA和MasterCard收集和分析来自210个国家的15亿信用卡用户的650亿条交易记录，用来预测商业发展和客户的消费趋势。然后，它把这些分析结果卖给其他公司。租售信息业务同样包括面向个人以及面向企业两种方式：

面向个人，提供基于数据分析结果的服务。例如一个免费的智能手机应用程序，一方面它可以为用户提供免费的交通信息，同时企业也得到了同步的数据。

面向企业或者公共政府部门，提供数据分析结果的服务。

第一种，直接进行信息租售，例如在交通信息领域，面向GPS生产商、和交通规划部门、UPS等物流公司等，出售完整的当前甚至未来交通状况的模式图或者数据库。以四维图新、广联达为代表的公司，通过出售广泛收集、精心过滤、时效性强的数据，成为各自行业的翘楚。庞大的“数据库”成为它们的“护城河”，是竞争对手难以逾越的门槛。这类模式直接而经典的诠释了“数据就是资产”的概念。以彭博为代表的金融信息服务商，聚焦行业，广泛收集相关数据、深度整合萃取信息，以庞大的数据中心加上专用的数据终端，形成数据采集、信息萃取、价值传递的完整链条，成为行业巨擘。

第二种，提供信息租售平台，租售数据信息或是搭建数据分享和交易平台，可以将数据信息作为资产直接进行销售。2015年，包括贵阳大数据交易所、长江大数据交易所、东湖大数据交易所、华中大数据交易所、徐州大数据交易所、河北京津冀数据交易中心等多家交易所陆续挂牌成立，标志着大数据交易成为当前市场中最大的亮点。

2.5.3 模式三：数据增值服务

数据增值服务主要是指基于数据分析的基础之上，定位在某一具体行业，通过大量数据支持，对数据进行挖掘分析后预测相关主体的行为，以开展业务。有时企业收入来自于客户增值部分的分成。其主要涉及到两种类型：

第一种，数据提升企业价值链。例如新型的数字媒体公司充分发挥大数据技术的优势，广泛搜集数据开展精准营销业务。在电视、纸媒衰落的大背景下，网络媒体的崛起将是技术更替的必然结果，大数据能够帮助企业实现精准营销，提升市场竞争力。新型的数字媒体公司充分发挥大数据技术的优势，广泛搜集数据开展精准营销业务，具备成长为千亿市值平台级公司的基因和土壤。传统的IT服务公司，难以望其项背。

第二种，数据衍生新型业务。例如阿里金融为代表的小额信贷公司，利用电子商务平台积累的交易信用数据，提供小额信贷，提高信贷效率，创生阿里平台的新业务。又例如德国咨询公司GFK帮助Telefonica面向零售商、政府部门、公共机构提供基于地点的人员流动数据，以时间为维度（小时/天/月/年），统计特定区域的人口统计数据（性别、年龄）和行动等数据；这类企业成长非常快，一般擅长数据挖掘分析技术，帮助一些数据大户如银行、运营商等开展新的业务。

2.5.4 模式四：数据技术服务

数据技术服务主要针对企业提供服务。

第一种，针对企业需求，为运营某一环节或某一业务问题提供解决方案，实施单点技术，例如向零售商提供大数据分析技术，获得营销点子。

第二种，针对企业系统需求，提供整体解决方案，例如IBM提供软硬一体的大数据解决方案；华为基于IT基础设施领域在存储和计算的优势，提供整体大数据解决方案等。

第三种，IT服务提供商提供大数据空间出租模式。大数据计算基础设施上（与云结合），通过出租一个虚拟空间，从简单的文件存储，逐步扩展到数据聚合平台，例如腾讯开放云战略为大数据创业者提供了廉价的数据基础设施，使中小企业也有机会在大数据领域创新业务。

第四种，BDaaS（Big data as a service）数据应用即服务的模式，通过云服务提供在线大数据技术或者解决方案。例如RJ Metrics为电商提供快捷的商业智能在线服务，软件定价为500美元/月，客户只需在软件端输入特定数据，RJ Metrics便会将这些信息备份到安全的服务器上，并承诺在7日内优化数据用以分析，之后以清晰简洁

的界面将数据分析结果反馈给客户。再例如Good Data主要面向商业用户和IT企业高管，提供数据存储、性能报告、数据分析等工具，将所有商业智能分析所需的数据和任务都搬到云上。

2.5.5 模式五：数据交易服务

在大数据交易的交付模式中，数据交付是比较基础的交付方式，目前的商业模式主要有两种，第一种是通过大数据交易机构来进行数据的交易，卖方将自有数据挂到大数据交易机构的平台当中进行售卖，买方通过平台获得数据信息从卖方获得数据，而交易机构作为第三方参与交易并提取佣金，在这个过程中，存在数据资产价值评估、佣金设定、数据敏感性保障、个人隐私安全等诸多亟待解决的问题，在未来的大数据交易的发展过程中，大数据交易机构对于大数据的参与度将不断增加，也将为交易双方提供更为完善的保障与服务。

第二类为数据银行的概念，企业通过多种渠道去获取数据，将原始数据进行清洗、脱敏、数据整合，进而制作成数据商品，数据银行能够根据客户的需要来提供定制的数据商品，数据银行作为交易的卖方直接面对买方；这种发展模式的特点是前期投入比较大，需要一定数据采集、数据清洗、非结构化数据处理的经验积累，对于大数据技术、机器学习、语音识别、人脸识别等技术的应用有一定的要求，通过这种运营模式下企业能够积累庞大的数据资源，对于数据的掌握更加精细，同时拥有数据定价的权力。

大数据交易的根本仍然是对于大数据的应用，而并非所有的大数据企业都能够非常成熟的利用大数据。大数据交易机构通过联盟的方式提供一个大数据交易平台，其中将包括一部分专业的大数据分析公司，企业可以通过平台购买外部数据，同时可以在大数据交易平台来购买数据分析服务，节省了企业数据分析的人力成本与基础设施成本，也可以通过第三方服务机构来搭建企业大数据平台，同时提供运维等服务，大数据交易平台提供了一个资源整合的渠道，通过购买产品与应用的方式实现了对于数据资源的应用。

3 中国大数据市场应用分析

3.1 行业应用

图3-1 2015年中国大数据市场行业营收结构

2015年中国大数据市场行业投资结构中，金融、通信、零售为前三大行业，投资占比分别为16.7%、15.9%和14.0%。政府、医疗、旅游投资比例分别为13.5%、10.3%和3.8%。六大行业累计占比74.2%。

其他行业包括教育、制造、能源、媒体、互联网等，累计占比25.8%。

3.1.1 零售

图3-2 线下零售大数据产业链

研究发现，线下零售业中，大数据方案提供商会整合各式外部合作伙伴的数据资源，包括移动智能设备提供商、电信运营商、外设与互动设备提供商、研究机构、互联网厂商等，并与线下零售企业内部的数据打通，从而提供整体性的零售业大数据解决方案。而数据源的不断丰富、模型精确性的不断提高，正是线下零售业大数据提供商的两大发展方向。

图3-3 线上零售大数据产业链

在线上零售业中，在线电子商务平台会整合交易信息和购物信息形成自身的电商大数据，从而进行用户营销信息的深度挖掘，包括消费金融信息、消费者信用信息、消费者精准画像、电商赢利模式创新等。而目前大量在线电子商务平台或自行开发，或与领先的大数据处理方案提供商合作，高效地处理平台数据。

零售大数据应用方向：

（1）市场定位

企业想进入或开拓某一区域零售行业市场，首先要进行项目评估和可行性分析，只有通过项目评估和可行性分析才能最终决定是否适合进入或者开拓这块市场。如果适合，那么这个区域人口是多少？消费水平怎么样？客户的消费习惯是什么？市场对产品的认知度怎么样？当前的市场供需情况怎么样？公众的消费喜好是什么等等，这些问题背后包含的海量信息构成了零售行业市场调研的大数据，对这些大数据的分析就是市场定位过程。

（2）市场营销

在零售行业市场营销工作中，无论是产品、渠道、价格还是顾客，可以说每一项工作都与大数据的采集和分析息息相关，而以下两个方面又是零售行业市场营销工作中的重中之重。一是通过获取数据并加以统计分析来充分了解市场信息，掌握竞争者的商情和动态，知晓产品在竞争群中所处的市场地位，来达到“知彼知己，百战不殆”的目的；二是企业通过积累和挖掘零售行业消费者档案数据，有助于分析顾客的消费行为和价值趣向，便于更好地为消费者服务和发展忠诚顾客。

（3）收益管理

收益管理作为实现收益最大化的一门理论学科，近年来受到零售行业人士的普遍关注和推广运用。收益管理意在把合适的产品或服务，在合适的时间，以合适的价格，通过合适的销售渠道，出售给合适的顾客，最终实现企业收益最大化目标。要达到收益管理的目标，需求预测、细分市场和敏感度分析是此项工作的三个重要环节，而这三个的环节推进的基础就是大数据。

（4）需求开发

随着论坛、博客、微博、微信、电商平台、点评网等媒介在PC端和移动端的创新和发展，公众分享信息变得更加便捷自由，而公众分享信息的主动性促使了“网络评论”这一新型舆论形式的发展。微博、微信、点评网、评论版上成千上亿的网络评论形成了交互性大数据，其中蕴藏了巨大的零售行业需求开发价值，值得企业管理者重视。零售行业企业如果能对网上零售行业的评论数据进行收集，建立网评大数据库，然后再利用分词、聚类、情感分析了解消费者的消费行为、价值趣向、评论中体现的新消费需求和企业产品质量问题，以此来改进和创新产品，量化产品价值，制订合理的价格及提高服务质量，从中获取更大的收益。

3.1.2 旅游

图3-4 线下旅游大数据产业链

在旅游行业中，线下旅游业大数据方案提供商同样会整合外部数据源，包括交通管理部门、电信运营商、旅行社、在线地图厂商等，并将方案提供给旅游主管部门、景区等线下旅游产业链成员。例如主管部门会通过上述方案进行人流、车流调配，预测游客流量。而景区也可以及时发布游客预警，提前做好游客引流等工作，实现更高质量的游客服务。

图3-5 线上旅游大数据产业链

而在线上旅游行业中，各大在线旅游提供商通过强化自身平台上的用户信息搜

集，例如内容分享类的在线旅游平台中，会通过分析游客游记中的目的地、消费地、行程路线、住宿餐饮等，得出游客喜欢的目的地、饮食、出行方式、住宿条件等，从而形成富有价值的高端用户画像，并将其提供给高端景区、酒店、租车公司等线下旅游资源。

旅游大数据应用方向：

（1）游客的多维度分析，提升精准营销能力。

基于大数据，准确发现潜在客源市场，优化营销重点和渠道。通过对核心客源市场、区域市场洼地、客源流失分析，指导客源市场定位；对游客基本属性、行为特征、偏好进行分析，为营销确定细分市场群体，为游客定制个性化产品与服务；通过营销诊断指导制定潜在客源市场和细分旅游市场的营销策略，发现新型业态，做出广告效果评估；最后根据目标市场定位、目标消费人群定位、项目竞合分析和投入产出分析进行项目可行性推演，为项目的落地性和可操作性提供切实可靠的依据，使旅游目的地、旅游景区精准投放广告，有针对性地制定旅游营销活动策划、旅游产品策划等方案。

（2）客流监控及预测，优化安全管理效率

通过景区人群热力图对客流量进行监测，可以及时做出踩踏风险预警，有助于景区合理预测未来的客流量。

（3）旅游舆情监控，提升游客服务质量

通过获取全网数据，包括论坛、贴吧、微博、新闻等网站数据，采用网络文本挖掘技术，对旅游目的地、旅游景区数据进行分析，及时发现游客负面反馈，精准诊断游客认知，改善旅游服务。

根据全网关注度和影响力进行声量诊断，并监测其传播路径进行传播分析，研判网民情感倾向进行情感提炼，对舆情参与者特征进行分析，做出受众画像，实时实现旅游舆情监控，及时发现游客的满意度，消除或改善不安全或游客不满意的项目和产品。

3.1.3 医疗

图3-6 医疗业大数据产业链

医疗行业大数据方案提供商通过整合临床数据、经营数据、患者行为数据等内部信息，进行关联性的检索、查询和数据分析，从而绘制出有意义的医疗知识图谱。医疗机构可以利用上述医疗大数据发现关联关系，提高医院的运营效率，实现临床决策支持、医疗质量监管、辅助科研、个性化治疗。而从更宏观层面来看，政府公共卫生部门通过借助网络搜索能力、后台信息甄别能力和过滤技术，将各个医疗机构内部的数据与其他的制药及医疗设备研发数据、其他医院数据、体检机构数据、急救数据、网络公开数据整合在一起，从而能够实现对一定区域内的公共卫生事件的分析、预警等工作。

医疗大数据应用方向：

（1）临床操作

包括通过全面分析病人特征数据和疗效数据，然后比较多种干预措施的有效性，找到针对特定病人的最佳治疗途径；分析医生输入的条目，比较其与医学指引不同的地方，从而提醒医生防止潜在的错误，如药物不良反应；提高医疗过程数据的透明度，使医疗从业者、医疗机构的绩效更透明，间接促进医疗服务质量的提高；从对慢性病人的远程监控系统收集数据，并将分析结果反馈给监控设备（查看病人是否正在遵从医嘱），从而确定今后的用药和治疗方案；在病人档案方面应用高级分